随着全球导航卫星系统（Global Navigation Satellite System,GNSS）的不断成熟和完善,GNSS技术可准确地监测地壳垂向形变,为分析地壳运动规律及反演地表负载质量提供了坚实的数据基础。然而,由于GNSS垂向形变序列中存在大量的高频噪声,导致GNSS垂向形变序列特征项较难提取。同时,世界范围内GNSS测站空间分布极其不均匀,该现象限制了GNSS形变序列在反演陆地水储量异常（Terrestrial Water Storage Anomaly,TWSA）上的应用。针对以上问题,本研究分别提出了新型相关性特征提取修正法（Correlation Feature Extraction Correction Method,CFECM）、新型机器学习负载反演法（Machine Learning Loading Inverted Method,MLLIM）、新型深度学习权重负载反演法（Deep Learning Weight Loading Inverted Model,DWLIM）。本研究提出的方法对于提取高频信号特征项和基于稀疏GNSS阵列反演TWSA具有重要理论意义,具体研究内容如下:（1）构建新型相关性特征提取修正法。在传统变分模态分解（Variational Mode Decomposition,VMD）原理基础上引入模态分量与原序列的相关系数,并利用VMD分解方法对原始时间序列进行二次分解,基于能量谱指数和Lomb-Scargle（L-S）谱分析法提取出序列中的残差项、季节性、趋势项,以达到提取时间序列特征项的目的。分别利用CFECM和经验模态分解（Empirical Mode Decomposition,EMD）方法,对GNSS和重力恢复与气候实验（Gravity Recovery and Climate Experiment,GRACE）反演得到的地壳负荷形变序列进行特征提取。实验结果表明,CFECM较EMD方法更加可靠和稳定。基于CFECM提取方法对GNSS序列的趋势特征提取,准确率达97.87%。在序列季节项的提取中,CFECM也明显优于EMD特征提取方法,CFECM的平均相关性均值为0.83,较EMD方法提高了58.10%;且CFECM特征提取法的信噪比均值为11.76 d B,高于EMD分解方法的3.38 d B。（2）构建了新型机器学习负载反演法。以地表温度、气压作为输入变量,以GNSS垂向时间序列为输出变量,基于随机森林算法,对未知格网内的地壳垂向形变序列进行模拟。并将全部修正后的序列输入至地壳负载模型反演得到陆地水储量异常变化,以达到基于稀疏GNSS观测站准确反演TWSA的目的。将MLLIM反演结果与传统GNSS反演结果、GRACE Mascon数据、全球陆地同化系统（Global Land Data Assimilation System,GLDAS）数据结果进行对比。结果表明,基于MLLIM的反演结果可以准确地探测出研究区内TWSA周年变化的凸起区域,且其凸起位置与GRACE Mascon和GLDAS结果一致。与此同时,基于MLLIM反演结果与GRACE和GRACE-Follow On（GRACE-FO）的皮尔森相关系数（Pearson Correlation Coefficient,PCC）分别为0.91和0.88,可决系数（R-squared,R~2）分别为0.71和0.58,较传统GNSS反演法在PCC和R~2的指标上平均提高7.98%和9.30%;MLLIM反演结果与GLDAS的相关系数和R~2分别为0.79和0.64,较传统GNSS反演法在PCC及R~2分别提高了9.72%和6.67%,表明MLLIM方法较传统GNSS反演方法有效地提高了反演TWSA的准确性。（3）构建了新型深度学习负载反演法。首先,将研究区划分为1°×1°格网,将所分得的格网划分为观测格网和未观测格网,其中观测格网中包括GNSS测站,而未观测格网中不包含GNSS测站。其次,利用改进经验模态分解法对输入数据（地表温度、气压）进行分解,得到20个经验模态函数（Intrinsic Mode Functions,IMF）分量。结合长短期记忆网络（Long short-term memory,LSTM）算法和反距离权重对未知格网的地壳垂向形变进行模拟,并对全部的地壳负荷形变进行大气改正和非海洋潮汐改正,获得水文负荷形变序列。最后,结合地壳负载模型反演得到中国区域的TWSA。将DWLIM反演结果与传统GNSS反演结果、GRACE、GLDAS结果进行对比。结果表明,基于DWLIM可有效地反演出中国区域周年振幅的凸起位置,并削弱了由于圆盘拓展半径不足所带来的斑点效应。同时,DWLIM反演结果周年振幅凸起点与GRACE和GLDAS提取结果一致性良好,均位于中国云南省和青藏自治区南部。基于DWLIM反演结果与GRACE和GLDAS结果进行对比,结果表明:其间的最大PCC、纳什效率系数（Nash Sutcliffe Efficiency,NSE）和均方根误差（Root Mean Squared Error,RMSE）分别达0.81、0.62和2.18 cm,较传统GNSS反演方法在PCC、NSE和RMSE指标上分别提高了67.11%、128.15%和22.75%。该实验结果表明DWLIM可有效地反演得到GNSS测站分布不均区域的陆地水储量变化。综上所述,论文所提出的CFECM方法可有效地分离出GNSS信号中的特征序列,且较传统EMD分解方法具有显著优势。其次,论文所提出的MLLIM和DWLIM分别结合机器学习和深度学习的算法对中国西南地区和中国区域进行反演。与此同时,基于MLLIM和DWLIM也大幅度地抑制了圆盘拓展效应所引发的斑点效应问题。同时,基于MLLIM和DWLIM反演的TWSA结果对GRACE和GRACE-FO之间的空缺时段可起到辅助填补效果,同时反演结果对于区域水资源的有效管理具有重要意义。该论文有图41幅,表8个,参考文献209篇。